使用grep（或awk）提取两个连续的单词

Question

我有一个 BAM 文件，我需要从中提取以“PL:Z...”开头的两个词，然后是“PR:Z...”

我开始尝试第一个词，但没有运气：

samtools view -h file1.bam |  grep -o '\<PR[[:alnum:]]+\>'

用 awk 提取列会更容易，但是，我观察到文件中所有行的 PL 和 PR 的列号并不一致

 awk -v OFS='\t' '{print $21, $22}' 

前 3 行的测试文件：

MN01111:72:000H3TTKV:1:13108:10015:1913 2689    SL3.0ch00       8990677 0       59H40M52H       SL3.0ch01       5122725 0    TTTTTTTTTTTTTTATTATTTTTTTTTATTTTTTTTTTTT AFFFF/FF/FFFF//FF////A/FFFF///F/FF////F/        NM:i:2  MD:Z:5A24A9     MC:Z:122M29H AS:i:30  XS:i:28 SA:Z:SL3.0ch09,55182541,-,78S31M42S,0,0;        XA:Z:SL3.0ch05,+4984944,78S33M40S,1;SL3.0ch09,-70510420,47S27M77S,0;SL3.0ch02,-52101716,44S37M70S,2;SL3.0ch08,+62573290,63S25M63S,0;  bl:Z:CGATGT     br:Z:TTTGTC     bm:Z:0  PL:Z:SL3.0ch01_5122724_5122846_FW     PR:Z:None       RG:Z:000H3TTKV_1_BSPT19472_0
MN01111:72:000H3TTKV:1:23103:5003:15527 641     SL3.0ch00       8990677 19      67S40M44S       SL3.0ch01       838549  0    CCGCTCCCCCGATCCCTTCCACCCGGTCCTTATTTTTTTTTTTTTTTTTTTTTTTTTTTATATTTTTTTTTTATTTTTTTTATTATTTTTTTTTATTTTTTTTTTTTTTTTTTTTTTTATTTTTTTTTTTTTTTCTTTTATATTTTTGCCC        ////////6=///=///////==////////F=//FA/F/F/6//6FFF/FFFF=/F//F///FF/FAFF///F//FFF/F/FF//FF/FAAAFAFFAFA///AFFFFFF/FFAF/A///6/F///F///6/F////FF////FF///FFF       NM:i:1  MD:Z:30A9       MC:Z:105S35M11S AS:i:35 XS:i:31 SA:Z:SL3.0ch02,46044972,+,28S31M92S,0,0;      XA:Z:SL3.0ch09,-70510416,35S31M85S,0;   bl:Z:ATCACG     br:Z:GTGCCT     bm:Z:0  PL:Z:SL3.0ch05_3501697_3501846_FW     PR:Z:None       RG:Z:000H3TTKV_1_Fimande_0
MN01111:72:000H3TTKV:1:23110:15540:17389        2689    SL3.0ch00       8990677 0       10H40M101H      SL3.0ch02       39003136      0       TTTTTTTTTTTTTTTTTATTTTTTTTTATTATTTTTTTTT        F==AFFFA6FAF//F////A/F/F=///////////A/FA        NM:i:2  MD:Z:5A8A25   MC:Z:151M       AS:i:30 XS:i:29 SA:Z:SL3.0ch03,30054271,+,44S32M75S,0,0;SL3.0ch12,17846152,-,40S30M81S,0,0;     bl:Z:ATCACG   br:Z:ACCATG     bm:Z:0  PL:Z:SL3.0ch02_39003135_39003329_FW     PR:Z:None       RG:Z:000H3TTKV_1_Martyvel_0

预期产出：

PL:Z:SL3.0ch01_5122724_5122846_FW     PR:Z:None
PL:Z:SL3.0ch05_3501697_3501846_FW     PR:Z:None
PL:Z:SL3.0ch02_39003135_39003329_FW     PR:Z:None

Answer 1

您可以使用这个

awk

循环遍历所有字段并使用正则表达式

^P[LR]:Z:

匹配一个字段并将其附加到变量中以在最后打印它。

awk -v OFS='\t' '
{
   s = ""
   for (i=1; i<=NF; ++i)
      if ($i ~ /^P[LR]:Z:/)
         s = (s ? s OFS : "") $i
   print s
}' file

PL:Z:SL3.0ch01_5122724_5122846_FW   PR:Z:None
PL:Z:SL3.0ch05_3501697_3501846_FW   PR:Z:None
PL:Z:SL3.0ch02_39003135_39003329_FW PR:Z:None

Answer 2

我会利用 String Functions

match

和

substr

按照 way

完成这项任务

samtools view -h file1.bam | awk 'match($0,/PL:Z:.*PR:Z:[^[:space:]]+/){print substr($0,RSTART,RLENGTH)}'

这给

PL:Z:SL3.0ch01_5122724_5122846_FW     PR:Z:None
PL:Z:SL3.0ch05_3501697_3501846_FW     PR:Z:None
PL:Z:SL3.0ch02_39003135_39003329_FW     PR:Z:None

解释：使用

match

来寻找

PL:Z:

后跟零个或多个 (

*

) 的任何字符 (

.

) 后跟

PR:Z:

后跟一个或多个字符 (

+

) (

^

) 空格 (

[:space:]

)。如果有匹配项，请打印子字符串，从匹配项开始的位置开始，并且与匹配项一样长，或者简单地说打印匹配的内容。

（在 gawk 4.2.1 中测试）

Answer 3

如果 sed 是一个选项，它可以像这样进行那种替换：

samtools view -h file1.bam | sed 's/.*\(PL:Z:.*PR:Z:\w*\).*/\1/g' 

输出：

PL:Z:SL3.0ch01_5122724_5122846_FW     PR:Z:None
PL:Z:SL3.0ch05_3501697_3501846_FW     PR:Z:None
PL:Z:SL3.0ch02_39003135_39003329_FW     PR:Z:None

说明：

s/pattern/replacement/g

将用每行上的替换替换所有出现的模式。

pattern

是：

.* = any characters (except newlines)
\( = start of capture group 1
PL:Z: = literal characters
.* = any characters
PR:Z: = literal characters
\w* = any word characters (e.g. non-spaces)
\) = end of capture group 1
.* = any characters

replacement

是

\1

= 在模式的捕获组 1 中捕获的内容。

请注意，此简单版本还将打印不包含 PL:Z: 和 PR:Z:

的完整行

Answer 4

使用samcut（我正是为此目的而写的）。

$ conda install -c bioconda samcut
$ samtools view file1.bam | samcut PL LR
SL3.0ch01_5122724_5122846_FW     None
SL3.0ch05_3501697_3501846_FW     None
SL3.0ch02_39003135_39003329_FW   None